這個transformer 體系結(jié)構(gòu)完全改變了（雙關(guān)語）自然語言處理（ NLP ）的領(lǐng)域。近年來，在 transformer 構(gòu)建塊 BERT 、 GPT 和 T5 上構(gòu)建了許多新穎的網(wǎng)絡(luò)體系結(jié)構(gòu)。隨著品種的增加，這些型號的尺寸也迅速增加。

雖然較大的神經(jīng)語言模型通常會產(chǎn)生更好的結(jié)果，但將它們部署到生產(chǎn)環(huán)境中會帶來嚴重的挑戰(zhàn)，尤其是對于在線應(yīng)用程序，在這些應(yīng)用程序中，幾十毫秒的額外延遲可能會對用戶體驗產(chǎn)生顯著的負面影響。

使用最新的TensorRT8.2 ，我們優(yōu)化了 T5 和 GPT-2 模型，以實現(xiàn)實時推理。您可以將 T5 或 GPT-2 模型轉(zhuǎn)換為 TensorRT 引擎，然后將此引擎用作推理工作流中原始 PyTorch 模型的插件替換。與 PyTorch GPU 推理相比，此優(yōu)化導(dǎo)致延遲減少 3-6 倍，與 PyTorch CPU 推理相比，延遲減少 9-21 倍。

在這篇文章中，我們將向您詳細介紹如何實現(xiàn)相同的延遲減少，使用我們最新發(fā)布的基于 Hugging Face transformers 的示例腳本和筆記本，使用 GPT-2 進行開放式文本生成，使用 T5 進行翻譯和摘要。

T5 和 GPT-2 簡介

在本節(jié)中，我們將簡要介紹 T5 和 GPT-2 模型。

T5 用于回答問題、總結(jié)、翻譯和分類

T5或文本到文本傳輸 transformer 是谷歌最近創(chuàng)建的一種體系結(jié)構(gòu)。它將所有自然語言處理（ NLP ）任務(wù)重新構(gòu)造為統(tǒng)一的文本到文本格式，其中輸入和輸出始終是文本字符串。 T5 的體系結(jié)構(gòu)允許將相同的模型、損失函數(shù)和超參數(shù)應(yīng)用于任何 NLP 任務(wù)，如機器翻譯、文檔摘要、問答和分類任務(wù)，如情感分析。

T5 模式的靈感來源于遷移學(xué)習(xí)在 NLP 中產(chǎn)生了最先進的結(jié)果。遷移學(xué)習(xí)背后的原理是，基于大量可用的未經(jīng)訓(xùn)練的數(shù)據(jù)和自我監(jiān)督任務(wù)的模型可以在較小的任務(wù)特定標記數(shù)據(jù)集上針對特定任務(wù)進行微調(diào)。事實證明，這些模型比從頭開始針對特定任務(wù)數(shù)據(jù)集訓(xùn)練的模型具有更好的結(jié)果。

基于遷移學(xué)習(xí)的概念， Google 在用統(tǒng)一的文本到文本轉(zhuǎn)換器探索遷移學(xué)習(xí)的局限性中提出了 T5 模型。在本文中，他們還介紹了龐大的干凈爬網(wǎng)語料庫（ C4 ）數(shù)據(jù)集。在該數(shù)據(jù)集上預(yù)訓(xùn)練的 T5 模型在許多下游 NLP 任務(wù)上實現(xiàn)了最先進的結(jié)果。已發(fā)布的預(yù)訓(xùn)練 T5 車型的參數(shù)范圍高達 3B 和 11B 。

GPT-2 用于生成優(yōu)秀的類人文本

生成性預(yù)訓(xùn)練 transformer 2 （GPT-2）是 OpenAI 最初提出的一種自回歸無監(jiān)督語言模型。它由 transformer 解碼器塊構(gòu)建，并在非常大的文本語料庫上進行訓(xùn)練，以預(yù)測段落中的下一個單詞。它生成優(yōu)秀的類人文本。更大的 GPT-2 模型，最大參數(shù)達到 15 億，通常能寫出更好、更連貫的文本。

使用 TensorRT 部署 T5 和 GPT-2

使用 TensorRT 8.2 ，我們通過構(gòu)建并使用 TensorRT 發(fā)動機作為原始 PyTorch 模型的替代品，優(yōu)化了 T5 和 GPT-2 模型。我們將帶您瀏覽scripts和 Jupyternotebooks，并重點介紹基于擁抱面部變形金剛的重要內(nèi)容。有關(guān)更多信息，請參閱示例腳本和筆記本以獲取詳細的分步執(zhí)行指南。

設(shè)置

最方便的開始方式是使用 Docker 容器，它為實驗提供了一個隔離、獨立和可復(fù)制的環(huán)境。

構(gòu)建并啟動 TensorRT 容器：

這些命令啟動 Docker 容器和 JupyterLab 。在 web 瀏覽器中打開 JupyterLab 界面：在 JupyterLab 中，要打開終端窗口，請選擇?File?、?New?、?Terminal?。編譯并安裝 TensorRT OSS 包：

現(xiàn)在，您已經(jīng)準備好繼續(xù)使用模型進行實驗。在下面的順序中，我們將演示 T5 模型的步驟。下面的代碼塊并不意味著可以復(fù)制粘貼運行，而是引導(dǎo)您完成整個過程。為了便于復(fù)制，請參閱 GitHub 存儲庫上的notebooks。

在高層次上，使用 TensorRT 優(yōu)化用于部署的擁抱面 T5 和 GPT-2 模型是一個三步過程：

從 HuggingFace 模型動物園下載模型。

將模型轉(zhuǎn)換為優(yōu)化的 TensorRT 執(zhí)行引擎。

使用 TensorRT 引擎進行推理。

使用生成的引擎作為 HuggingFace 推理工作流中原始 PyTorch 模型的插件替換。

從 HuggingFace 模型動物園下載模型

首先，從 HuggingFace 模型中心下載原始的 Hugging Face PyTorch T5 模型及其關(guān)聯(lián)的標記器。

然后，您可以將此模型用于各種 NLP 任務(wù)，例如，從英語翻譯為德語：

TensorRT 8.2 支持 GPT-2 至“ xl ”版本（ 1.5B 參數(shù)）和 T5 至 11B 參數(shù)，這些參數(shù)可在 HuggingFace model zoo 上公開獲得。根據(jù) GPU 內(nèi)存可用性，也可支持較大型號。

將模型轉(zhuǎn)換為優(yōu)化的 TensorRT 執(zhí)行引擎。

在將模型轉(zhuǎn)換為 TensorRT 引擎之前，請將 PyTorch 模型轉(zhuǎn)換為中間通用格式。 ONNX 是機器學(xué)習(xí)和深度學(xué)習(xí)模型的開放格式。它使您能夠?qū)?TensorFlow 、 PyTorch 、 MATLAB 、 Caffe 和 Keras 等不同框架中的深度學(xué)習(xí)和機器學(xué)習(xí)模型轉(zhuǎn)換為單一的統(tǒng)一格式。

轉(zhuǎn)換為 ONNX

對于 T5 型號，使用實用功能分別轉(zhuǎn)換編碼器和解碼器。

轉(zhuǎn)換為 TensorRT

現(xiàn)在，您已經(jīng)準備好解析 T5 ONNX 編碼器和解碼器，并將它們轉(zhuǎn)換為優(yōu)化的 TensorRT 引擎。由于 TensorRT 執(zhí)行了許多優(yōu)化，例如融合操作、消除轉(zhuǎn)置操作和內(nèi)核自動調(diào)優(yōu)，以在目標 GPU 體系結(jié)構(gòu)上找到性能最佳的內(nèi)核，因此此轉(zhuǎn)換過程可能需要一些時間。

使用 TensorRT 引擎進行推理

最后，您現(xiàn)在有了一個針對 T5 模型的優(yōu)化 TensorRT 引擎，可以進行推斷。

類似地，對于 GPT-2 模型，您可以按照相同的過程生成 TensorRT 引擎。優(yōu)化的 TensorRT 引擎可作為 HuggingFace 推理工作流中原始 PyTorch 模型的插件替代品。

TensorRT transformer 優(yōu)化細節(jié)

基于轉(zhuǎn)換器的模型是 transformer 編碼器或解碼器塊的堆棧。編碼器（解碼器）塊具有相同的結(jié)構(gòu)和參數(shù)數(shù)量。 T5 由 transformer 編碼器和解碼器的堆棧組成，而 GPT-2 僅由 transformer 解碼器塊組成（圖 1 ）。

圖 1a 。 T5 架構(gòu)

圖 1b 。 GPT-2 體系結(jié)構(gòu)

每個 transformer 塊，也稱為自我注意塊，通過使用完全連接的層將輸入投影到三個不同的子空間，稱為查詢（ Q ）、鍵（ K ）和值（ V ），由三個投影組成。然后將這些矩陣轉(zhuǎn)換為 QT和 KT用于計算標準化點積注意值，然后與 V 組合T生成最終輸出（圖 2 ）。

圖 2 。自我注意塊

TensorRT 通過逐點層融合優(yōu)化自我注意塊：

還原與電源操作相融合（用于圖層模板和剩余添加圖層）。

電子秤與 softmax 融合在一起。

GEMM 與 ReLU / GELU 激活融合。

此外， TensorRT 還優(yōu)化了推理網(wǎng)絡(luò)：

消除轉(zhuǎn)置操作。

將三個 KQV 投影融合為一個 GEMM 。

當指定 FP16 模式時，控制逐層精度以保持精度，同時運行 FP16 中計算最密集的運算。

TensorRT 對 PyTorch CPU 和 GPU 基準

通過 TensorRT 進行的優(yōu)化，我們看到 PyTorch GPU 推理的加速比高達 3-6 倍，而 PyTorch CPU 推理的加速比高達 9-21 倍。

圖 3 顯示了批量為 1 的 T5-3B 模型的推理結(jié)果，該模型用于將短短語從英語翻譯成德語。 A100 GPU 上的 TensorRT 引擎與在雙插槽 Intel Platinum 8380 CPU 上運行的 PyTorch 相比，延遲減少了 21 倍。

圖 3 。 A100 GPU 上的 T5-3B 模型推斷比較 TensorRT 提供的延遲比 PyTorch CPU 推斷小 21 倍。

CPU ：英特爾白金 8380 ， 2 個插槽。
GPU:NVIDIA A100 PCI Express 80GB 。軟件： PyTorch 1.9 ， TensorRT 8.2.0 EA 。
任務(wù)：“將英語翻譯成德語：這很好。”

結(jié)論

在這篇文章中，我們向您介紹了如何將擁抱臉 PyTorch T5 和 GPT-2 模型轉(zhuǎn)換為優(yōu)化的 TensorRT 推理引擎。 TensorRT 推理機用作原始 HuggingFace T5 和 GPT-2 PyTorch 模型的替代品，可提供高達 21x CPU 的推理加速比。要為您的模型實現(xiàn)此加速，從 TensorRT 8.2 開始今天的學(xué)習(xí).

關(guān)于作者

About Vinh Nguyen是一位深度學(xué)習(xí)的工程師和數(shù)據(jù)科學(xué)家，發(fā)表了 50 多篇科學(xué)文章，引文超過 2500 篇。在 NVIDIA ，他的工作涉及廣泛的深度學(xué)習(xí)和人工智能應(yīng)用，包括語音、語言和視覺處理以及推薦系統(tǒng)。

About Nikhil Srihari是 NVIDIA 的深入學(xué)習(xí)軟件技術(shù)營銷工程師。他在自然語言處理、計算機視覺和語音處理領(lǐng)域擁有廣泛的深度學(xué)習(xí)和機器學(xué)習(xí)應(yīng)用經(jīng)驗。 Nikhil 曾在富達投資公司和 Amazon 工作。他的教育背景包括布法羅大學(xué)的計算機科學(xué)碩士學(xué)位和印度蘇拉斯卡爾卡納塔克邦國家理工學(xué)院的學(xué)士學(xué)位。

About Parth Chadha是 NVIDIA 的深度學(xué)習(xí)軟件工程師。他在 TensorRT 上工作，這是一個高性能的深度學(xué)習(xí)推理 SDK 。 Parth 在卡內(nèi)基梅隆大學(xué)獲得電氣和計算機工程碩士學(xué)位，主要研究機器學(xué)習(xí)和并行計算機體系結(jié)構(gòu)。

About Charles Chen20 歲時在加州大學(xué)圣地亞哥分校獲得計算機科學(xué)碩士學(xué)位后， Charles Chen 專注于為尖端人工智能框架、發(fā)展中國家的計算機教育和人機交互做出貢獻。在 NVIDIA ， Charles 是一名深度學(xué)習(xí)軟件工程師，致力于 TensorRT ，一款高性能的深度學(xué)習(xí)推理 SDK 。

About Joohoon Lee領(lǐng)導(dǎo) NVIDIA 的汽車深度學(xué)習(xí)解決方案架構(gòu)師團隊。他專注于將深度學(xué)習(xí)研究轉(zhuǎn)化為用于生產(chǎn)部署的真實世界自主駕駛軟件。他的團隊使汽車客戶能夠使用英偉達驅(qū)動平臺進行 DNN 培訓(xùn)、微調(diào)、優(yōu)化和部署。在加入 NVIDIA 之前，他曾擔(dān)任 GPU 軟件架構(gòu)師，負責(zé)加速 DNN 算法。 Joohoon 在卡內(nèi)基梅隆大學(xué)獲得電氣和計算機工程學(xué)士和碩士學(xué)位。

About Jay Rodge是 NVIDIA 的產(chǎn)品營銷經(jīng)理，負責(zé)深入學(xué)習(xí)和推理產(chǎn)品，推動產(chǎn)品發(fā)布和產(chǎn)品營銷計劃。杰伊在芝加哥伊利諾伊理工學(xué)院獲得計算機科學(xué)碩士學(xué)位，主攻計算機視覺和自然語言處理。在 NVIDIA 之前，杰伊是寶馬集團的人工智能研究實習(xí)生，為寶馬最大的制造廠使用計算機視覺解決問題。

審核編輯：郭婷